CN109214609A - 一种基于分数阶离散灰色模型的年用电量预测方法 - Google Patents
一种基于分数阶离散灰色模型的年用电量预测方法 Download PDFInfo
- Publication number
- CN109214609A CN109214609A CN201811358911.6A CN201811358911A CN109214609A CN 109214609 A CN109214609 A CN 109214609A CN 201811358911 A CN201811358911 A CN 201811358911A CN 109214609 A CN109214609 A CN 109214609A
- Authority
- CN
- China
- Prior art keywords
- model
- discrete
- fractional order
- order
- electricity consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000005611 electricity Effects 0.000 title claims abstract description 33
- 239000002245 particle Substances 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000012804 iterative process Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000009466 transformation Effects 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009514 concussion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于分数阶离散灰色模型的年用电量预测方法,包括以下步骤:采集年用电量的历史数据作为样本数据;对样本数据进行一次累加;建立分数阶离散GM(α,1)模型;利用最小二乘方法给出模型参数的计算方法;利用粒子群优化算法,给出模型的分数阶阶次的最优值。本发明可以更准确的实现对年用电量的预测,使得预测结果更接近实际。除此之外,本发明可根据实际情况进行参数调整和变换,以达到不同的预测目标,有很强的实用性。
Description
技术领域
本发明创造涉及一种年用电量预测方法,尤其是一种基于分数阶离散灰色模型的年用电量预测方法。
背景技术
电力是人类生存和社会进步不可缺少的重要物质基础。电力发展难以摆脱“缺电—加大电源建设—电力富余—缺电”的大幅度、周期性震荡。随着日益加重的资源紧缺和环境压力,电力和经济的可持续发展已成为社会普遍关注的焦点问题,学者们日益注意到单纯依靠增加电力供给已无法满足经济长期可持续发展的要求,因此如何有效的预测年用电量是一个十分值得研究的问题。
发明内容
为了解决现有技术存在的问题,本发明提供一种基于分数阶离散灰色模型的年用电量预测方法,步骤为:步骤1、采集年用电量的历史数据作为样本数据;步骤2、对样本数据进行一次累加;步骤3、建立分数阶离散GM(α,1)模型;步骤4、利用最小二乘方法给出模型参数的计算方法;步骤5、利用粒子群优化算法给出模型的分数阶阶次的最优值。本发明提出的分数阶离散GM(α,1)模型,是对离散GM(1,1)模型进行的推广。在模型建立过程中,引入了分数阶差分的概念,有效的提高了GM(1,1)模型对年用电量预测的精度。用分数阶累加运算代替一阶累加运算,避免了分数阶微分方程到差分方程的跳跃,提高了离散GM(1,1)模型的拟合度,从而说明了本发明比离散GM(1,1)模型建模的误差更小,可以广泛地应用到年用电量的预测中。
为了实现上述目的,本发明创造采用的技术方案为:一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,其步骤为:
步骤1、采集年用电量的历史数据作为样本数据;
步骤2、对样本数据进行一次累加;
步骤3、建立分数阶离散GM(α,1)模型;
步骤3.1、设第k维向量
称x(1)(k)=β1x(1)(k-1)+β2为离散GM(1,1)模型;
其中β1和β2为需要计算的模型参数;
步骤3.2、将离散GM(1,1)模型表示为:
Δx(1)(k)=x(1)(k)-x(1)(k-1)=(β1-1)x(1)(k-1)+β2; (4)
步骤3.3、定义分数阶离散GM(α,1)模型为:
Δαx(1)(k)=(β1-1)x(1)(k-1)+β2; (5)
其中α为模型的分数阶阶次;
步骤3.4、定义分数阶算子Δαx(1)(k)为:
其中j为下标;
步骤3.5、将分数阶差分(6)代入(5)模型中;
步骤3.6、x(1)(k)如(3)所述,分数阶离散GM(α,1)模型表示为:
步骤3.7、参数cj表示为:
步骤4、利用最小二乘方法给出模型参数的计算方法;
步骤5、利用粒子群优化算法给出模型的分数阶阶次的最优值。
所述步骤2中,具体方法为:
步骤2.1、设在时刻k原始数列为n维向量,则可以表示为:
X(0)=(x(0)(1),x(0)(2),…,x(0)(n)); (1)
步骤2.2、对非负原始数据X(0)进行一次累加,可得到如下式子:
X(1)=(x(1)(1),x(1)(2),…,x(1)(n)); (2)
步骤2.3、根据(2),第k维向量x(1)(k)可以由下式得到:
所述步骤4中,具体方法为:
步骤4.1、定义参数变量β=(β1,β2)T,根据最小二乘算法,给出参数向量的计算
公式:
β=(BTB)-1BTYα; (10)
其中矩阵B和向量Yα的定义如下
其中η(1)(k)的定义为
步骤4.2、当α确定后,根据参数cj的定义(9),参数c1的计算公式为:
c1=β1-1+α; (12)。
所述步骤5中,具体方法为:
步骤5.1、选取如下粒子群的适应度函数:
其中
步骤5.2、设置粒子群的每个粒子群维数为1,当阶次α确定后,根据一阶累加的定义可以获得分数阶离散GM(α,1)模型的解
步骤5.3、设置粒子个数N和迭代次数M,初始化每个粒子群的位置,设置粒子位置的取值范围,即阶次的取值范围[0,αmax],在取值范围[0,αmax]内随机初始化每个粒子的位置,设置粒子速度的取值范围[Vmin,Vmax],同样地在这个范围内随机初始化粒子的速度信息;
步骤5.4、根据初始化种群的全局最优和每个粒子自身最优,选择(13)中的适应度函数,计算全局最优位置Pg,令第i个粒子自身的最优位置Pi等于每个粒子群初始化的位置值;
步骤5.5、对于第k次迭代,更新第i个粒子的位置xi(k)和速度vi(k),计算公式如下
vi(k)=wvi(k-1)+c1r1(Pi-xi(k-1))+c2r2(Pg-xi(k-1)); (15)
xi(k)=xi(k-1)+vi(k); (16)
其中c1和c2为学习因子,w为惯性系数,r1和r2是0到1之间的随机数;
步骤5.6、对于第k次迭代,判断每个粒子群的位置和速度是否在取值范围内,如果超出范围,则取边界值,计算第k次迭代时,第i个粒子自身最优位置和全局最优位置;
步骤5.7、当M次迭代过程结束,选取粒子群全局最优位置作为分数阶离散GM(α,1)模型的阶次α。
所述步骤5.2中,分数阶离散GM(α,1)模型的解可通过如下方法确定:
固定G1=1,分数阶离散GM(α,1)模型解为:
其中:
当α=1,c1=β1和cj=0,j≥2时,分数阶离散GM(α,1)模型是离散GM(1,1)模型,因此分数阶离散GM(α,1)模型是离散GM(1,1)模型的推广形式。
本发明创造的有益效果为:
本发明与现有技术相比,而本发明引入了分数阶差分的概念,将离散GM(1,1)模型进行推广,用分数阶累加运算代替一阶累加运算,从而提高灰色预测模型的拟合以及对年用电量的预测精度。同时能够精确的预测电力的年消耗量,有利于各行业合理利用能源,降低能源消耗,提高经济效益;有利于政府制定合理的政策促进经济社会的可持续发展;有利于构造建设资源节约型的和谐社会。
附图说明
图1为本发明提出的一种基于分数阶离散灰色模型的年用电量预测方法的流程示意图。
具体实施方式
一种基于分数阶离散灰色模型的年用电量预测方法,其步骤为:
步骤1、采集年用电量的历史数据作为样本数据。
步骤2、对样本数据进行一次累加:
步骤2.1、设在时刻k原始数列为n维向量,则可以表示为:
X(0)=(x(0)(1),x(0)(2),…,x(0)(n)); (1)
步骤2.2、对非负原始数据(1)进行一次累加,可得到如下式子:
X(1)=(x(1)(1),x(1)(2),…,x(1)(n)); (2)
步骤2.3、根据(2),第k维向量x(1)(k)可以由下式得到:
步骤3、建立分数阶离散GM(α,1)模型:
步骤3.1、设第k维向量
称x(1)(k)=β1x(1)(k-1)+β2为离散GM(1,1)模型;
其中β1和β2为需要计算的模型参数;
步骤3.2、将离散GM(1,1)模型表示为:
Δx(1)(k)=x(1)(k)-x(1)(k-1)=(β1-1)x(1)(k-1)+β2; (4)
步骤3.3、定义分数阶离散GM(α,1)模型为:
Δαx(1)(k)=(β1-1)x(1)(k-1)+β2; (5)
其中α为模型的分数阶阶次;
步骤3.4、定义分数阶算子Δαx(1)(k)为:
其中j为下标;
步骤3.5、将分数阶差分(6)代入模型(5)中;
步骤3.6、x(1)(k)如(3)所述,分数阶离散GM(α,1)模型表示为:
步骤3.7、参数cj表示为:
步骤4、利用最小二乘方法给出模型参数的计算方法:
步骤4.1、定义参数变量β=(β1,β2)T,根据最小二乘算法,给出参数向量的计算公式:
β=(BTB)-1BTYα; (10)
其中矩阵B和向量Yα的定义如下
其中η(1)(k)的定义为
步骤4.2、当α确定后,根据参数cj的定义(9),参数c1的计算公式为:
c1=β1-1+α; (12)。
步骤5、利用粒子群优化算法给出模型的分数阶阶次的最优值:
步骤5.1、选取如下粒子群的适应度函数:
其中
步骤5.2、设置粒子群的每个粒子群维数为1,当阶次α确定后,根据一阶累加的定义可以获得分数阶离散GM(α,1)模型的解而分数阶离散GM(α,1)模型的解可通过如下方法确定:
固定G1=1,分数阶离散GM(α,1)模型解为:
其中:
特别的,当α=1,c1=β1和cj=0,j≥2时,分数阶离散GM(α,1)模型是离散GM(1,1)模型,因此分数阶离散GM(α,1)模型是离散GM(1,1)模型的推广形式;
步骤5.3、设置粒子个数N和迭代次数M,初始化每个粒子群的位置,设置粒子位置的取值范围,即阶次的取值范围[0,αmax],在取值范围[0,αmax]内随机初始化每个粒子的位置,设置粒子速度的取值范围[Vmin,Vmax],同样地在这个范围内随机初始化粒子的速度信息;
步骤5.4、根据初始化种群的全局最优和每个粒子自身最优,选择(13)中的适应度函数,计算全局最优位置Pg,令第i个粒子自身的最优位置Pi等于每个粒子群初始化的位置值;
步骤5.5、对于第k次迭代,更新第i个粒子的位置xi(k)和速度vi(k),计算公式如下
vi(k)=wvi(k-1)+c1r1(Pi-xi(k-1))+c2r2(Pg-xi(k-1)); (15)
xi(k)=xi(k-1)+vi(k); (16)
其中c1和c2为学习因子,w为惯性系数,r1和r2是0到1之间的随机数;
步骤5.6、对于第k次迭代,判断每个粒子群的位置和速度是否在取值范围内,如果超出范围,则取边界值,计算第k次迭代时,第i个粒子自身最优位置和全局最优位置;
步骤5.7、当M次迭代过程结束,选取粒子群全局最优位置作为分数阶离散GM(α,1)模型的阶次α。
离散GM(1,1)模型是对原始数据进行一阶累加,然后建立以一阶微分方程为白化方程的灰色预测模型,而分数阶离散GM(α,1)模型引入了分数阶差分的概念,其基本思想是用分数阶累加运算代替一阶累加运算以提高灰色预测模型的拟合和年用电量的预测精度。当α=1,c1=β1和cj=0,j≥2时,分数阶离散GM(α,1)模型是离散GM(1,1)模型,因此分数阶离散GM(α,1)模型是离散GM(1,1)模型的推广形式。
以下结合附图对本发明的预测方法进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,包括以下步骤:
步骤1、采集年用电量的历史数据作为样本数据。
步骤2、对样本数据进行一次累加:
选取非负原始数据
X(0)=(x(0)(1),x(0)(2),…,x(0)(n)); (1)
对(1)进行一次累加,可得到(1)的一次累加序列为:
X(1)=(x(1)(1),x(1)(2),…,x(1)(n)); (2)
其中
步骤3、建立分数阶离散GM(α,1)模型:
设x(1)(k)如(3)所述,称x(1)(k)=β1x(1)(k-1)+β2为离散GM(1,1)模型;
离散GM(1,1)模型还可以表示为:
Δx(1)(k)=x(1)(k)-x(1)(k-1)=(β1-1)x(1)(k-1)+β2; (4)
定义分数阶离散GM(α,1)模型为:
Δαx(1)(k)=(β1-1)x(1)(k-1)+β2; (5)
分数阶算子Δαx(1)(k)为如下形式:
其中:
将分数阶差分(6)代入模型(5)中,可得到如下分数阶离散GM(α,1)模型:
其中参数cj表示为:
步骤4、利用最小二乘方法给出模型参数的计算方法:
定义参数变量β=(β1,β2)T,根据最小二乘算法,给出参数向量的计算公式:
β=(BTB)-1BTYα, (10)
其中
当α确定后,根据参数cj的定义(9),参数c1的计算公式为:
c1=β1-1+α; (12)。
步骤5、利用粒子群优化算法给出模型的分数阶阶次的最优值:
步骤5.1、选取如下粒子群的适应度函数:
其中
步骤5.2、设置粒子群的每个粒子群维数为1,当阶次α确定后,根据一阶累加的定义可以获得分数阶离散GM(α,1)模型的解
步骤5.3、设置粒子个数N和迭代次数M,初始化每个粒子群的位置,设置粒子位置的取值范围,即阶次的取值范围[0,αmax],在取值范围[0,αmax]内随机初始化每个粒子的位置,设置粒子速度的取值范围[Vmin,Vmax],同样地在这个范围内随机初始化粒子的速度信息;
步骤5.4、根据初始化种群的全局最优和每个粒子自身最优,选择(13)中的适应度函数,计算全局最优位置Pg,令第i个粒子自身的最优位置Pi等于每个粒子群初始化的位置值;
步骤5.5、对于第k次迭代,更新第i个粒子的位置xi(k)和速度vi(k),计算公式如下
vi(k)=wvi(k-1)+c1r1(Pi-xi(k-1))+c2r2(Pg-xi(k-1)); (15)
xi(k)=xi(k-1)+vi(k); (16)
其中c1和c2为学习因子,w为惯性系数,r1和r2是0到1之间的随机数;
步骤5.6、对于第k次迭代,判断每个粒子群的位置和速度是否在取值范围内,如果超出范围,则取边界值,计算第k次迭代时,第i个粒子自身最优位置和全局最优位置;
步骤5.7、当M次迭代过程结束,选取粒子群全局最优位置作为分数阶离散GM(α,1)模型的阶次α。
需要说明的是,在步骤5.2中的分数阶GM(α,1)模型的解可通过以下公式获得:
固定G1=1,分数阶离散GM(α,1)模型解为:
其中
下面结合实例对本发明的一种基于分数阶离散GM(α,1)模型的年用电量预测方法进一步详细说明。
为了分析灰色模型的精度,用RPE和MRPE作为评价指标。
本例于中国国家统计局网站选取2007年至2015年实测数据,其中模型需要的各项参数为:
粒子群的粒子个数N=30;
迭代次数M=50;
学习因子c1=1,c2=1;
惯性系数为w=0.9,αmax=6,Vmin=-0.5,Vmax=0.5;
基于粒子优化算法得到分数阶阶次为α=1.8148;
分数阶离散GM(α,1)模型参数为β1=0.9945和β2=8066.6;
离散GM(1,1)模型的参数β1=1.0864和β2=32460.7。
针对上述参数,给出分数阶离散GM(α,1)模型和离散GM(1,1)模型分别对2007年至2014年中国电力总消耗量进行数据拟合,并且对2015年中国年用电量进行预测,结果如表1所示,相对误差的结果如表2所示。
表1 年用电量(亿千瓦小时)
表2 相对误差分析(%)
从表2可以看出,对于中国2007年至2014年这8个年用电量的历史数据值,本发明提出的分数阶离散GM(α,1)模型的MRPE小于离散GM(1,1)模型的MRPE,并且基于分数阶离散GM(α,1)模型获得的2015年中国年用电量的预测值RPE明显小于基于离散GM(1,1)的RPE,说明分数阶阶次α的引入可以明显地改善灰色模型的拟合精度和减小预测误差。
Claims (6)
1.一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,其步骤为:
步骤1、采集年用电量的历史数据作为样本数据;
步骤2、对样本数据进行一次累加;
步骤3、建立分数阶离散GM(α,1)模型;
步骤3.1、设第k维向量
称x(1)(k)=β1x(1)(k-1)+β2为离散GM(1,1)模型;
其中β1和β2为需要计算的模型参数;
步骤3.2、将离散GM(1,1)模型表示为:
Δx(1)(k)=x(1)(k)-x(1)(k-1)=(β1-1)x(1)(k-1)+β2;(4)
步骤3.3、定义分数阶离散GM(α,1)模型为:
Δαx(1)(k)=(β1-1)x(1)(k-1)+β2;(5)
其中α为模型的分数阶阶次;
步骤3.4、定义分数阶算子Δαx(1)(k)为:
其中j为下标;
步骤3.5、将分数阶差分(6)代入模型(5)中;
步骤3.6、x(1)(k)如(3)所述,分数阶离散GM(α,1)模型表示为:
步骤3.7、参数cj表示为:
步骤4、利用最小二乘方法给出模型参数的计算方法;
步骤5、利用粒子群优化算法给出模型的分数阶阶次的最优值。
2.根据权利要求1所述的一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,所述步骤2中,具体方法为:
步骤2.1、设在时刻k原始数列为n维向量,则可以表示为:
X(0)=(x(0)(1),x(0)(2),…,x(0)(n));(1)
步骤2.2、对非负原始数据X(0)进行一次累加,可得到如下式子:
X(1)=(x(1)(1),x(1)(2),…,x(1)(n));(2)
步骤2.3、根据(2),第k维向量x(1)(k)可以由下式得到:
3.根据权利要求1所述的一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,所述步骤4中,具体方法为:
步骤4.1、定义参数变量β=(β1,β2)T,根据最小二乘算法,给出参数向量的计算
公式:
β=(BTB)-1BTYα;(10)
其中矩阵B和向量Yα的定义如下
其中η(1)(k)的定义为
步骤4.2、当α确定后,根据参数cj的定义(9),参数c1的计算公式为:
c1=β1-1+α;(12)。
4.根据权利要求1所述的一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,所述步骤5中,具体方法为:
步骤5.1、选取如下粒子群的适应度函数:
其中
步骤5.2、设置粒子群的每个粒子群维数为1,当阶次α确定后,根据一阶累加的定义可以获得分数阶离散GM(α,1)模型的解
步骤5.3、设置粒子个数N和迭代次数M,初始化每个粒子群的位置,设置粒子位置的取值范围,即阶次的取值范围[0,αmax],在取值范围[0,αmax]内随机初始化每个粒子的位置,设置粒子速度的取值范围[Vmin,Vmax],同样地在这个范围内随机初始化粒子的速度信息;
步骤5.4、根据初始化种群的全局最优和每个粒子自身最优,选择(13)中的适应度函数,计算全局最优位置Pg,令第i个粒子自身的最优位置Pi等于每个粒子群初始化的位置值;
步骤5.5、对于第k次迭代,更新第i个粒子的位置xi(k)和速度vi(k),计算公式如下
vi(k)=wvi(k-1)+c1r1(Pi-xi(k-1))+c2r2(Pg-xi(k-1));(15)
xi(k)=xi(k-1)+vi(k);(16)
其中c1和c2为学习因子,w为惯性系数,r1和r2是0到1之间的随机数;
步骤5.6、对于第k次迭代,判断每个粒子群的位置和速度是否在取值范围内,如果超出范围,则取边界值,计算第k次迭代时,第i个粒子自身最优位置和全局最优位置;
步骤5.7、当M次迭代过程结束,选取粒子群全局最优位置作为分数阶离散GM(α,1)模型的阶次α。
5.根据权利要求1所述的一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于,所述步骤5.2中,分数阶离散GM(α,1)模型的解可通过如下方法确定:
固定G1=1,分数阶离散GM(α,1)模型解为:
其中:
6.根据权利要求1所述的一种基于分数阶离散灰色模型的年用电量预测方法,其特征在于:当α=1,c1=β1和cj=0,j≥2时,分数阶离散GM(α,1)模型是离散GM(1,1)模型,因此分数阶离散GM(α,1)模型是离散GM(1,1)模型的推广形式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811358911.6A CN109214609A (zh) | 2018-11-15 | 2018-11-15 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811358911.6A CN109214609A (zh) | 2018-11-15 | 2018-11-15 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214609A true CN109214609A (zh) | 2019-01-15 |
Family
ID=64995879
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811358911.6A Pending CN109214609A (zh) | 2018-11-15 | 2018-11-15 | 一种基于分数阶离散灰色模型的年用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214609A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365097A (zh) * | 2020-12-03 | 2021-02-12 | 江汉大学 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
CN113902193A (zh) * | 2021-10-11 | 2022-01-07 | 江苏电力交易中心有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
CN114048425A (zh) * | 2021-11-17 | 2022-02-15 | 长春工业大学 | 一种用于表征驾驶员意图的预测模型的建模方法 |
CN116128088A (zh) * | 2022-05-13 | 2023-05-16 | 惠州学院 | 含可变参数分数阶灰色预测模型的资源配置方法与系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050273244A1 (en) * | 2004-05-31 | 2005-12-08 | Stmicroelectronics S.R.L. | Soft-computing method for establishing the heat dissipation law in a diesel common rail engine |
US7234126B2 (en) * | 2000-08-23 | 2007-06-19 | Interuniversitair Microelektronica Centrum | Task concurrency management design method |
CN101383042A (zh) * | 2008-10-07 | 2009-03-11 | 北京理工大学 | 一种基于分数阶傅里叶域滤波器组的数字水印技术 |
CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
CN103577710A (zh) * | 2013-11-14 | 2014-02-12 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
CN104184355A (zh) * | 2014-08-06 | 2014-12-03 | 南京信息工程大学 | 三相pwm电压型逆变器的双闭环控制装置及控制方法 |
CN105205326A (zh) * | 2015-09-24 | 2015-12-30 | 渤海大学 | 一种电厂实时负荷在线预测方法 |
CN106295887A (zh) * | 2016-08-12 | 2017-01-04 | 辽宁大学 | 基于随机森林的持久种子库预测方法 |
CN107844646A (zh) * | 2017-10-30 | 2018-03-27 | 北京航空航天大学 | 一种细长体分布式载荷等效减缩方法 |
-
2018
- 2018-11-15 CN CN201811358911.6A patent/CN109214609A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7234126B2 (en) * | 2000-08-23 | 2007-06-19 | Interuniversitair Microelektronica Centrum | Task concurrency management design method |
US20050273244A1 (en) * | 2004-05-31 | 2005-12-08 | Stmicroelectronics S.R.L. | Soft-computing method for establishing the heat dissipation law in a diesel common rail engine |
EP1607604B1 (en) * | 2004-05-31 | 2008-07-16 | STMicroelectronics S.r.l. | Soft-computing method for establishing the heat dissipation law in a diesel common rail engine |
CN101383042A (zh) * | 2008-10-07 | 2009-03-11 | 北京理工大学 | 一种基于分数阶傅里叶域滤波器组的数字水印技术 |
CN102901651A (zh) * | 2012-10-16 | 2013-01-30 | 南京航空航天大学 | 电子产品分数阶神经网络性能退化模型及寿命预测方法 |
CN103577710A (zh) * | 2013-11-14 | 2014-02-12 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
CN104184355A (zh) * | 2014-08-06 | 2014-12-03 | 南京信息工程大学 | 三相pwm电压型逆变器的双闭环控制装置及控制方法 |
CN105205326A (zh) * | 2015-09-24 | 2015-12-30 | 渤海大学 | 一种电厂实时负荷在线预测方法 |
CN106295887A (zh) * | 2016-08-12 | 2017-01-04 | 辽宁大学 | 基于随机森林的持久种子库预测方法 |
CN107844646A (zh) * | 2017-10-30 | 2018-03-27 | 北京航空航天大学 | 一种细长体分布式载荷等效减缩方法 |
Non-Patent Citations (2)
Title |
---|
WEI MENG 等: "Forecasting of Sulfur Dioxide Emissions in China Based on Optimized DGM(1,1)", 《IEEE》 * |
罗佑新: "分数阶累加多变量灰色模型 FMGM(1,n)及应用", 《中南大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112365097A (zh) * | 2020-12-03 | 2021-02-12 | 江汉大学 | 用电数据的处理方法、装置、设备及计算机可读存储介质 |
CN113902193A (zh) * | 2021-10-11 | 2022-01-07 | 江苏电力交易中心有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
CN113902193B (zh) * | 2021-10-11 | 2024-05-10 | 国网江苏省电力有限公司 | 一种基于pofp-svm算法的省级月度用电量预测方法 |
CN114048425A (zh) * | 2021-11-17 | 2022-02-15 | 长春工业大学 | 一种用于表征驾驶员意图的预测模型的建模方法 |
CN114048425B (zh) * | 2021-11-17 | 2024-05-24 | 长春工业大学 | 一种用于表征驾驶员意图的预测模型的建模方法 |
CN116128088A (zh) * | 2022-05-13 | 2023-05-16 | 惠州学院 | 含可变参数分数阶灰色预测模型的资源配置方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214609A (zh) | 一种基于分数阶离散灰色模型的年用电量预测方法 | |
CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
Xiao et al. | Based on grid-search and PSO parameter optimization for Support Vector Machine | |
CN103150454A (zh) | 基于样本推荐标注的动态机器学习建模方法 | |
CN103020434A (zh) | 一种基于粒子群优化的最小二乘支持向量机组合预测方法 | |
CN107357269A (zh) | 基于混合mpls的多阶段过程质量预报方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN105046057B (zh) | 基于Morlet小波核的LSSVM脉动风速预测方法 | |
CN106296434B (zh) | 一种基于pso-lssvm算法的粮食产量预测方法 | |
CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
CN109165807A (zh) | 一种基于概率神经网络的电能质量综合评估方法 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
CN110263834A (zh) | 一种新能源电能质量异常值的检测方法 | |
CN106600055A (zh) | 一种基于自激励门限自回归模型的风速预测方法 | |
CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 | |
CN103605493A (zh) | 基于图形处理单元的并行排序学习方法及系统 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
Sha et al. | Prediction of commercial building lighting energy consumption based on EPSO-BP | |
CN103439964B (zh) | 一种ocsvm监控模型的在线更新系统及方法 | |
CN109934344A (zh) | 一种改进的基于规则模型的多目标分布估计算法 | |
CN110163437A (zh) | 基于DPK-means的日前光伏发电功率预测方法 | |
Zhao et al. | Understanding the development of recreational fisheries with an industry competitiveness framework: Evaluation of a case study from China | |
Qin | Software reliability prediction model based on PSO and SVM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |